克服预测的维护障碍

预测性维护承诺很多，包括减少停机时间和消除不必要的维护。然而，重要的是要避免工程和业务方面的挑战。执行过程中常见的障碍和理由包括:

• 我们没有足够的数据来建立一个预测性的维护系统。
• 许多预测性维护方法依赖于机器学习算法，因此需要有足够的数据来创建准确的模型。
• 对于预测性维护，该数据通常源自机械的传感器。
• 如果传感器是新的或读数被记录的方式限制信息，则需要考虑访问足够数据以构建模型的最佳方法。

仔细查看数据源列表。用户可能会发现他们的部门没有收集足够的数据来为预测维护系统供电。考虑其他部门是否收集数据。根据用户在供应链中的位置，它也值得与供应商或客户协议。合作延长设备组件的健康和效率可能使公司成为一家双赢的局面，促进商业实体之间的数据访问。

一些系统在盛宴或饥荒模式中操作，其中在发生故障之前未收集数据。其他人只有日志事件代码和时间戳：通知工程师发生的事件，但在故障时不是传感器值。虽然这种数据可能对诊断有用，但是对于开发可以预测失败的模型可能不足。

考虑更改数据记录选项以记录更多的数据，如果生产数据不可用，可以在测试机队上。根据现有嵌入式设备上的负载，可以重新配置它们来收集和传输传感器数据，或者可能需要外部数据记录器来启动。

使用仿真工具合成数据 - 使用仿真工具来生成测试数据，并将其与传感器数据的数据组合在一起构建和验证预测维护算法。这是通过创建覆盖要监视的机械，电气或其他物理系统的模型来完成的。合成样本数据并验证此针对测量数据，以确保模型均匀校准。这可以首先在组件级别完成，然后在系统级别进行复杂系统。

在考虑预测维护系统的数据时，开始提早分析以了解哪些功能是重要的，并且可能是多余的。保持不使用的数据可能是昂贵的。

故障数据是教学算法识别预警信号以触发及时维护的关键部分。如果经常进行维护，没有发生任何故障，或者系统是安全关键的，不能任由其发生故障，则故障数据可能不存在。为了防止这成为一个致命的缺陷，用户可以模拟故障数据，学习如何识别警告信号。

一个对物理部件如何工作有深入系统知识的工程师将能够使用正确的工具生成故障样本数据。诸如故障模式影响分析(FMEA)之类的工具为确定要模拟哪些故障提供了有用的起点。具有足够领域知识的工程师可以在各种场景中将这些行为整合到模型中，通过调整温度、流量、振动或添加突然故障来模拟故障。然后可以模拟这些场景，并对产生的故障数据进行标记和存储，以供进一步分析。

虽然可能不存在故障数据，但操作数据可能会显示关于机器如何随时间劣化的趋势。诸如主成分分析（PCA）的统计技术可以提供有价值的洞察，以如何随着时间的推移，将原始传感器数据转化为可以可视化和更容易地分析的东西。

了解失败的原因很重要，但识别出错并了解如何预测它之间存在显着差异。根本原因分析（RCA）是域知识的一个组成部分，与预测维护算法配对，创建有效的预测维护程序。如果该算法部分是新的和恐吓，则用户可以采取这些步骤以减少学习曲线。

提前确定目标是很重要的。然后，用户应该考虑预测性维护算法将如何影响这些目标。构建一个可以测试算法并评估其相对于既定目标的性能的框架将有助于更快的设计迭代。

从小事做起。如果用户已经知道故障背后的原因，那么就有领域知识。选择一个项目，使用一个深刻理解的系统来实践。用户应该了解影响系统性能的特性和因素，并构建预测性维护算法。作为最简单的出发点，考虑对一个特性设置阈值是否是一个重要的维护指标(通常通过控制图完成)。一旦团队习惯于为一个简单的问题构建算法，他们就可以将这些知识应用到更复杂的系统中。

当预测维护算法开始显示有希望的域名知识来调整模型以根据这些结果的成本/严重程度预测不同的结果。要进一步验证模型，请添加类似于已知历史条件的生成的失败数据并测试系统。这将建立该过程工作的信心。

每项新技术都需要必须合理的投资。如果最近才介绍机器学习，那么看看可能被视为风险的先进应用是自然的。但是，用户可以采取措施最小化风险并尽可能快地使用工作预测维护模型启动和运行。

与其尝试引入新的技术和技术，不如利用软件中已经存在的新功能，并关注新技术。一些工具已经具有特定的预测性维护功能，使工程师能够在他们熟悉的环境中继续工作。

数据可以从多个来源收集，如数据库、电子表格或web档案。确保数据的格式正确，包括日期和时间戳。痛点通常围绕着如何组织数据进行分析。如果用户没有足够的数据，他们可以从机器的物理模型中生成这些数据，以补充正常使用、变化的参数值、不同的系统动力学或信号故障。

如果数据来自不同的来源，则还需要组合。如果移除异常，请考虑是否用近似值替换它们或使用较小的数据集。

代替将传感器数据直接送入机器学习模型，而是常常从传感器数据中提取特征。这些特征在传感器数据中捕获更高级别的信息，例如移动平均值或频率内容。使用熟悉的工具来执行特征提取技术简化了此步骤。一种迭代的方法 - 其中添加了哪些功能，培训新型号，并比较它们的性能 - 可以很好地确定结果的有效性。

要培训模型数据必须被归类为健康/错误，设置阈值和估计剩余的组件使用寿命。用户需要创建要预测的故障方案列表，选择分类方法，并模拟模型。应用程序提供了用于应用机器学习的图形接口，使其易于开始，并比较培训许多不同类型的模型的结果。

模型可以通过将它们转换为诸如C的低级语言来部署到嵌入式设备，或者它们可以与IT环境中的其他应用程序集成。这里的痛苦通常缺乏熟悉代码生成和IT集成。有工具可以自动包装模型以在生产环境中运行。

预测维护是一个可实现的目标，具有正确的工具，指导和动机。找到为业务而迭代的功能，型号和方法，直到您正确地迭代。

乔斯马丁高级工程经理在哪里MathWorks．由制作编辑克里斯·瓦夫拉编辑，控制工程，CFE媒体，cvavra@cfemedia.com.．本文最初出现在控制工程欧洲网站．